Riemannian manifold
PulseAugur coverage of Riemannian manifold — every cluster mentioning Riemannian manifold across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
论文探讨图和机器学习的Ollivier-Ricci曲率
本论文基于Yann Ollivier的工作和最优传输理论，探讨了度量空间的Ollivier-Ricci曲率。论文详细介绍了该曲率与黎曼流形中经典Ricci曲率的联系的主要结果，包括Bonnet-Myers和Lévy-Gromov等定理的推广。研究还涵盖了Lin-Lu-Yau将Ollivier-Ricci曲率推广到图上的工作，以及Jost-Liu的组合界限，最后通过对有向图的新证明及其在网络科学和图机器学习中的应用进行了总结。
-
新的wPINN框架解决了流形上的双曲守恒律问题
研究人员引入了一个新颖的弱物理信息神经网络（wPINN）框架，旨在解决黎曼流形上的复杂双曲守恒律问题。这种新方法克服了现有PINN方法在理论上的不足，特别是在流形上的理论空白以及在处理双曲方程中常见的低正则解方面的困难。wPINN框架建立了局部L1稳定性估计，能够进行严格的收敛性分析，并为时变熵解提供近似保证。数值实验证明了该框架在流形几何上近似解的准确性。
-
新的平行四边形法则将比例类比推广到黎曼流形
研究人员提出了一种在黎曼域内形式化比例类比的新方法，将传统上用于欧几里得空间的平行四边形法则进行了扩展。这种新颖的方法在各种非欧几里得流形上进行了演示，包括球面、形状空间和概率分布流形。这项工作旨在将比例类比的应用范围从符号和基于向量的领域扩展开来。
-
新研究探索用于基于脑电图的情感识别的先进人工智能 · 2篇论文
两篇新研究论文探索了从脑电图（EEG）数据中识别情感的先进技术。第一篇论文介绍了一个多尺度时间框架，该框架跨越不同的时间窗口处理脑电图信号，并动态融合它们，以提高情感分类的准确性，包括混合状态。第二篇论文提出了一种使用多粒度流形对比学习和神经常微分方程的方法，以解决个体间差异问题，并在黎曼流形上对连续情感动态进行建模，在多个公共数据集上取得了最先进的结果。
-
新框架统一了从机器人导航到黑洞的几何学
一篇题为“The Field Knows: Cross-Dimensional Geometry from Navigation to Black Holes”的新研究论文介绍了一个连续度量场框架。该框架使用单一因果对比损失将场景编码为几何结构，范围涵盖机器人导航到黑洞事件视界。研究表明，这种统一的方法可以捕获可转移的几何信息，并自发地演化出复杂的物理现象，如洛伦兹特征，而无需显式编程。
-
新型Hopfield网络利用SU(d)群实现容量提升10倍
研究人员推出了一种广义Hopfield网络，该网络利用黎曼流形上的连续变量，特别关注与特殊酉群SU(d)相关的对称空间。这种新方法在临界容量方面表现出显著增强，比传统向量网络高近一个数量级，并且容量随d迅速增长。该方法采用李代数方法在辅助希尔伯特空间内的线性代数中描述网络，通过与顶部特征向量对齐实现记忆检索，这种方法比其他连续模型更不易受到串扰的影响。论文通过RGB图像编码/解码协议说明了这一点，并讨论了使用广义Landau-Lifs…
-
球体回缩归一化泛化深度神经网络训练
研究人员引入了球体回缩归一化（Sphere Retraction Normalizations），一个用于训练深度神经网络的新框架，它泛化了现有的残差连接方法。该方法在黎曼流形上重塑残差连接，通过将隐藏状态限制在超球面上来确保其保持恒定的 L2 范数。该框架引入了两种新方法：Proj-SpheretNorm 和 Cay-SpheretNorm，它们利用代数运算，在 nanoGPT 上表现优于当前的轻量级深度连接方案，表明指数映射并非球…
-
新框架统一了具有诱导度量的标志点形状空间
研究人员开发了一个新颖的框架，该框架统一了现有的标志点形状空间方法。这种新的构造整合了Kendall的标志点形状空间（它因子化了刚性运动并固定了尺度）与使用源自微分同胚群上Sobolev度量的黎曼度量的空间。所得空间保持了标志点正则性、环境空间度量定义、局部刚性变换保持和全局刚性运动移除等理想属性，同时还固定了尺度。
-
新框架使用等变神经场进行可扩展的走时预测
研究人员引入了等变神经欧拉求解器（Equivariant Neural Eikonal Solvers），这是一个结合了等变神经场（Equivariant Neural Fields）和神经欧拉求解器（Neural Eikonal Solvers）的新框架。该方法使用一个共享的神经网络骨干，并以信号特定的潜在变量为条件来建模各种欧拉解。等变神经场的集成确保了潜在点云的变换能够导致欧拉解的可预测变化，从而提供增强的表示效率和几何基础。该…
-
新方法近似微分形式上的扩散过程
研究人员开发了一种新颖的数据驱动方法来近似投影环境连接拉普拉斯算子，该算子作用于黎曼流形上的微分形式，而这些流形由点云采样。该方法将现有的扩散图技术扩展到处理任意阶的微分形式，利用了从交替微分数组派生的值矩阵扩散算子。该方法允许为微分形式上的热方程构建显式欧拉格式，并通过在单位球体上的数值实验进行了验证，证实了其有效性。
-
新算法在去中心化黎曼优化中实现了最优遗憾
研究人员开发了一种在黎曼流形上进行去中心化在线优化的新方法，特别针对强测地凸函数。这项工作首次为该模型下的去中心化在线黎曼梯度下降建立了 $O(\log T)$ 的静态遗憾界，与欧几里得优化中的最优速率相匹配。新的分析还利用新颖的次凸性论证扩展到了两点老虎机反馈设置。
-
使用黎曼几何分析矩阵优化景观
本文使用 Burer-Monteiro 分解和黎曼几何分析了固定秩矩阵优化问题的全局景观。该研究根据测地凸性和光滑性将搜索空间划分为三个区域。它为梯度下降在此分解中的有效性提供了几何解释，并为 Bures-Wasserstein 空间中的凸性半径提供了定量界限。
-
新理论将统计效率扩展到黎曼流形
Lin Liu 的一篇新论文提出了一种渐近效率理论，适用于具有非欧几里得结构的统计模型，例如黎曼流形。这项工作通过开发一套词汇来将正则估计量和可微泛函等概念翻译到流形设置，从而扩展了主要局限于赋范线性空间的现有理论。该论文通过应用于计算总体 Fréchet 均值和单指标模型中的回归系数来展示该框架的效用。
-
新的RIPO方法克服了LLM强化学习中的探索崩溃
一篇新研究论文介绍了一种名为黎曼等距策略优化（RIPO）的新方法，用于解决大型语言模型（LLM）强化学习中的探索崩溃问题。该论文指出了现有PPO-Clip算法的一个根本性缺陷，即错误地使用了欧几里得度量而非策略黎曼流形的内在几何结构。这种不匹配会导致次优更新和探索失败。RIPO通过确保等距策略更新、平衡探索与利用来纠正这一点，并在七个基准测试中展示了比现有方法显著的改进，包括在AIME24上获得了60%的提升。
-
新的谱嵌入方法整合群对称性以改进数据分析
研究人员开发了一种新的谱嵌入方法，该方法将群对称性（如旋转）整合到亲和核中。这种方法改进了具有这些对称性的内在低维结构的数据集的降维和聚类。该方法被证明可以收敛到商空间上的微分算子，从而获得更好的收敛速率和内在数据几何的准确恢复，性能优于标准的谱嵌入技术。
-
新的采样方法提高了复杂分布的效率 · 跟踪 2 个来源
研究人员开发了一种名为 Gradient-free Riemannian Langevin Sampler (GRiLS) 的新方法，以提高多模态概率分布采样的效率。该方法旨在克服标准马尔可夫链蒙特卡洛方法在混合不良和模式陷阱方面的局限性。GRiLS 利用黎曼度量重塑局部几何形状，促进模式之间的转换，而无需对目标密度进行梯度评估，使其适用于复杂的计算目标。此外，另一篇论文探讨了通用空间上的快速行列式采样，为数据集表示提供了基于核的方法…
-
新的Manifold GCN层在图数据上表现优于最先进水平
研究人员开发了用于位于黎曼流形上的数据的新图神经网络层。这些层名为Manifold GCN，基于扩散方程和切线多层感知机，提供对节点排列和特征流形等距的等变性。在合成数据和使用右海马体三角形网格进行的真实世界阿尔茨海默病分类任务上的初步应用表明，这些层优于现有的最先进网络，同时适用于更广泛的问题。
-
新的镜像下降框架将优化扩展到黎曼流形
研究人员开发了一个广义的黎曼流形上镜像下降（MD）框架，将其适用性扩展到复杂的优化问题。这个新的黎曼镜像下降（RMD）框架包含一个随机变体，并提供非渐近收敛保证。当应用于Stiefel流形时，RMD框架简化为曲边梯度下降（CGD），其随机扩展有效地解决了大规模流形优化问题。
-
新方法在离散化流形上近似 Whittle-Matern 场
研究人员开发了一种在新方法，使用离散化黎曼流形上的离散高斯马尔可夫随机场 (GMRF) 来近似 Whittle-Matern 场。该方法为整个 $(\alpha, \kappa)$ GMRF 族（无论其具体参数如何）的精度和协方差矩阵提供了一个通用的近似方案。该方法还固有地模拟了随机场的点状和分段平滑测量，并且其计算成本与使用的插值器无关。此外，精度矩阵被证明是图拉普拉斯算子在连接良好且体积集中的离散化上的谱函数，并提供了一个低秩近似…
-
新的黎曼交叉协方差方法增强了复杂数据上的机器学习
研究人员开发了一种新的方法来估计非线性黎曼流形上随机对象的协方差，这些流形越来越多地用于机器学习中处理形状和矩阵等数据。这种内在黎曼交叉协方差方法将局部变化传输到公共切空间，创建了一个与坐标选择无关的描述符。该方法继承了欧几里得协方差的性质，并在各种流形和真实形状数据上被证明是有效的，使其成为非欧几里得表示学习的关键工具。